Vad är beräkningsmål i Azure Machine Learning?
Ett beräkningsmål är en avsedd beräkningsresurs eller miljö där du kör träningsskriptet eller är värd för tjänstdistributionen. Den här platsen kan vara din lokala dator eller en molnbaserad beräkningsresurs. Om du använder beräkningsmål kan du enkelt ändra beräkningsmiljön senare utan att behöva ändra koden.
I en typisk modellutvecklingslivscykel kan du:
- Börja med att utveckla och experimentera med en liten mängd data. I det här skedet använder du din lokala miljö, till exempel en lokal dator eller molnbaserad virtuell dator (VM), som beräkningsmål.
- Skala upp till större data eller utför distribuerad träning med hjälp av något av dessa träningsberäkningsmål.
- När din modell är klar distribuerar du den till en webbvärdmiljö med något av dessa distributionsberäkningsmål.
De beräkningsresurser som du använder för dina beräkningsmål är kopplade till en arbetsyta. Andra beräkningsresurser än den lokala datorn delas av arbetsytans användare.
Träningsberäkningsmål
Azure Machine Learning har varierande stöd för olika beräkningsmål. En typisk livscykel för modellutveckling börjar med utveckling eller experimentering på en liten mängd data. I det här skedet använder du en lokal miljö som din lokala dator eller en molnbaserad virtuell dator. När du skalar upp träningen för större datamängder eller utför distribuerad träning använder du Azure Machine Learning beräkning för att skapa ett kluster med en eller flera noder som skalar automatiskt varje gång du skickar ett jobb. Du kan också koppla en egen beräkningsresurs, även om stödet för olika scenarier kan variera.
Beräkningsmål kan återanvändas från ett träningsjobb till nästa. När du till exempel har bifogat en fjärransluten virtuell dator till din arbetsyta kan du återanvända den för flera jobb. För maskininlärningspipelines använder du lämpligt pipelinesteg för varje beräkningsmål.
Du kan använda någon av följande resurser för ett träningsberäkningsmål för de flesta jobb. Alla resurser kan inte användas för automatiserad maskininlärning, maskininlärningspipelines eller designer. Azure Databricks kan användas som träningsresurs för lokala körningar och maskininlärningspipelines, men inte som ett fjärrmål för annan träning.
| Utbildningsmål | Automatiserad maskininlärning | Pipelines för maskininlärning | Azure Machine Learning Designer |
|---|---|---|---|
| Lokal dator | Yes | ||
| Azure Machine Learning beräkningskluster | Ja | Ja | Ja |
| Azure Machine Learning-beräkningsinstans | Ja (via SDK) | Ja | Ja |
| Azure Machine Learning Kubernetes | Ja | Ja | Ja |
| Fjärr-VM | Ja | Ja | |
| Apache Spark-pooler (förhandsversion) | Ja (endast lokalt SDK-läge) | Yes | |
| Azure Databricks | Ja (endast lokalt SDK-läge) | Yes | |
| Azure Data Lake Analytics | Yes | ||
| Azure HDInsight | Yes | ||
| Azure Batch | Yes |
Tips
Beräkningsinstansen har en OS-disk på 120 GB. Om diskutrymmet tar slut använder du terminalen för att rensa minst 1–2 GB innan du stoppar eller startar om beräkningsinstansen.
Läs mer om hur du skickar ett träningsjobb till ett beräkningsmål.
Beräkningsmål för slutsatsdragning
När du utför slutsatsdragning skapar Azure Machine Learning en Docker-container som är värd för modellen och associerade resurser som behövs för att använda den. Den här containern används sedan i ett beräkningsmål.
Beräkningsmålet som du använder som värd för din modell påverkar kostnaden och tillgängligheten för den distribuerade slutpunkten. Använd den här tabellen för att välja ett lämpligt beräkningsmål.
| Beräkningsmål | Används för | GPU-stöd | FPGA-stöd | Description |
|---|---|---|---|---|
| Lokal webbtjänst | Testa/felsöka | Använd för begränsad testning och felsökning. Maskinvaruacceleration beror på användningen av bibliotek i det lokala systemet. | ||
| Azure Machine Learning Kubernetes | Slutsatsdragning i realtid Batch-slutsatsdragning |
Yes | Ej tillämpligt | Kör slutsatsdragningsarbetsbelastningar i lokala kubernetes-kluster, moln och gränskluster. |
| Azure Container Instances | Slutsatsdragning i realtid Rekommenderas endast för utvecklings-/teständamål. |
Använd för processorbaserade arbetsbelastningar i låg skala som kräver mindre än 48 GB RAM-minne. Kräver inte att du hanterar ett kluster. Stöds i designern. |
||
| Azure Machine Learning-beräkningskluster | Batch-slutsatsdragning | Ja (pipeline för maskininlärning) | Kör batchbedömning på serverlös beräkning. Stöder normala och lågprioriterade virtuella datorer. Inget stöd för slutsatsdragning i realtid. |
Anteckning
Även om beräkningsmål som lokala och Azure Machine Learning beräkningskluster stöder GPU för träning och experimentering, stöds GPU för slutsatsdragning när de distribueras som en webbtjänst endast på Azure Machine Learning Kubernetes.
Användning av en GPU för slutsatsdragning vid bedömning med en maskininlärningspipeline stöds endast på Azure Machine Learning beräkning.
När du väljer en kluster-SKU skalar du först upp och sedan ut. Börja med en dator som har 150 % av det RAM-minne som din modell kräver, profilera resultatet och hitta en dator som har den prestanda du behöver. När du har lärt dig det ökar du antalet datorer så att de passar ditt behov av samtidig slutsatsdragning.
Anteckning
- Containerinstanser är endast lämpliga för små modeller som är mindre än 1 GB.
Lär dig var och hur du distribuerar din modell till ett beräkningsmål.
Azure Machine Learning beräkning (hanterad)
En hanterad beräkningsresurs skapas och hanteras av Azure Machine Learning. Den här beräkningen är optimerad för maskininlärningsarbetsbelastningar. Azure Machine Learning beräkningskluster och beräkningsinstanser är de enda hanterade beräkningen.
Du kan skapa Azure Machine Learning beräkningsinstanser eller beräkningskluster från:
- Azure Machine Learning-studio.
- Python SDK och Azure CLI:
- En Azure Resource Manager-mall. En exempelmall finns i Skapa ett Azure Machine Learning beräkningskluster.
När de här beräkningsresurserna skapas ingår de automatiskt i din arbetsyta, till skillnad från andra typer av beräkningsmål.
| Funktion | Beräkningskluster | Beräkninsinstans |
|---|---|---|
| Kluster med en eller flera noder | ✓ | Kluster med en nod |
| Autoskalning varje gång du skickar ett jobb | ✓ | |
| Automatisk klusterhantering och jobbschemaläggning | ✓ | ✓ |
| Stöd för både CPU- och GPU-resurser | ✓ | ✓ |
Anteckning
När ett beräkningskluster är inaktivt skalas det automatiskt till 0 noder, så du betalar inte när det inte används. En beräkningsinstans är alltid aktiverad och skalas inte automatiskt. Du bör stoppa beräkningsinstansen när du inte använder den för att undvika extra kostnad.
VM-serier och storlekar som stöds
När du väljer en nodstorlek för en hanterad beräkningsresurs i Azure Machine Learning kan du välja bland de virtuella datorstorlekar som är tillgängliga i Azure. Azure erbjuder en mängd olika storlekar för Linux och Windows för olika arbetsbelastningar. Mer information finns i VM-typer och storlekar.
Det finns några undantag och begränsningar för att välja en VM-storlek:
- Vissa VM-serier stöds inte i Azure Machine Learning.
- Det finns vissa VM-serier, till exempel GPU:er och andra särskilda SKU:er, som kanske inte visas i listan över tillgängliga virtuella datorer från början. Men du kan fortfarande använda dem när du begär en kvotändring. Mer information om hur du begär kvoter finns i Begära kvotökningar. Se följande tabell om du vill veta mer om serier som stöds.
| VM-serie som stöds | Kategori | Stöds av |
|---|---|---|
| DDSv4 | Generellt syfte | Beräkningskluster och instanser |
| Dv2 | Generellt syfte | Beräkningskluster och instanser |
| Dv3 | Generellt syfte | Beräkningskluster och instanser |
| DSv2 | Generellt syfte | Beräkningskluster och instanser |
| DSv3 | Generellt syfte | Beräkningskluster och instanser |
| EAv4 | Minnesoptimerad | Beräkningskluster och instanser |
| Ev3 | Minnesoptimerad | Beräkningskluster och instanser |
| ESv3 | Minnesoptimerad | Beräkningskluster och instanser |
| FSv2 | Beräkningsoptimerad | Beräkningskluster och instanser |
| FX | Beräkningsoptimerad | Beräkningskluster |
| H | Databehandling med höga prestanda | Beräkningskluster och instanser |
| HB | Databehandling med höga prestanda | Beräkningskluster och instanser |
| HBv2 | Databehandling med höga prestanda | Beräkningskluster och instanser |
| HBv3 | Databehandling med höga prestanda | Beräkningskluster och instanser |
| HC | Databehandling med höga prestanda | Beräkningskluster och instanser |
| LSv2 | Lagringsoptimerad | Beräkningskluster och instanser |
| M | Minnesoptimerad | Beräkningskluster och instanser |
| NC | GPU | Beräkningskluster och instanser |
| NC-kampanj | GPU | Beräkningskluster och instanser |
| NCv2 | GPU | Beräkningskluster och instanser |
| NCv3 | GPU | Beräkningskluster och instanser |
| ND | GPU | Beräkningskluster och instanser |
| NDv2 | GPU | Beräkningskluster och instanser |
| NV | GPU | Beräkningskluster och instanser |
| NVv3 | GPU | Beräkningskluster och instanser |
| NCasT4_v3 | GPU | Beräkningskluster och instanser |
| NDasrA100_v4 | GPU | Beräkningskluster och instanser |
Även om Azure Machine Learning stöder dessa VM-serier kanske de inte är tillgängliga i alla Azure-regioner. Information om hur du kontrollerar om VM-serien är tillgänglig finns i Tillgängliga produkter per region.
Anteckning
Azure Machine Learning stöder inte alla VM-storlekar som Stöds av Azure Compute. Om du vill visa en lista över tillgängliga VM-storlekar använder du någon av följande metoder:
Om du använder GPU-aktiverade beräkningsmål är det viktigt att se till att rätt CUDA-drivrutiner är installerade i träningsmiljön. Använd följande tabell för att fastställa rätt CUDA-version som ska användas:
| GPU-arkitektur | Azure VM-serien | CUDA-versioner som stöds |
|---|---|---|
| Ampere | NDA100_v4 | 11.0+ |
| Turing | NCT4_v3 | 10.0 + |
| Volta | NCv3, NDv2 | 9.0+ |
| Pascal | NCv2, ND | 9.0+ |
| Maxwell | NV, NVv3 | 9.0+ |
| Kepler | NC, NC-kampanj | 9.0+ |
Förutom att se till att CUDA-versionen och maskinvaran är kompatibla ser du även till att CUDA-versionen är kompatibel med den version av maskininlärningsramverket som du använder:
- För PyTorch kan du kontrollera kompatibiliteten genom att gå till Pytorchs tidigare versionssida.
- För Tensorflow kan du kontrollera kompatibiliteten genom att gå till Tensorflows version från källsidan.
Beräkningsisolering
Azure Machine Learning compute erbjuder VM-storlekar som är isolerade till en viss maskinvarutyp och dedikerade till en enda kund. Isolerade VM-storlekar passar bäst för arbetsbelastningar som kräver en hög grad av isolering från andra kunders arbetsbelastningar av orsaker som omfattar att uppfylla efterlevnads- och regelkrav. Om du använder en isolerad storlek garanteras att den virtuella datorn är den enda som körs på den specifika serverinstansen.
De aktuella erbjudandena för isolerade virtuella datorer är:
- Standard_M128ms
- Standard_F72s_v2
- Standard_NC24s_v3
- Standard_NC24rs_v3*
*RDMA-stöd
Mer information om isolering finns i Isolering i det offentliga Azure-molnet.
Ohanterad beräkning
Ett ohanterat beräkningsmål hanteras inte av Azure Machine Learning. Du skapar den här typen av beräkningsmål utanför Azure Machine Learning och kopplar den sedan till din arbetsyta. Ohanterade beräkningsresurser kan kräva ytterligare steg för att underhålla eller förbättra prestanda för maskininlärningsarbetsbelastningar.
Azure Machine Learning stöder följande ohanterade beräkningstyper:
- Din lokala dator
- Fjärranslutna virtuella datorer
- Azure HDInsight
- Azure Batch
- Azure Databricks
- Azure Data Lake Analytics
- Azure Container-instans
- Kubernetes
Mer information finns i Konfigurera beräkningsmål för modellträning och distribution
Nästa steg
Lär dig att: